COVID-19危机不仅带来了双重打击全球需求和供给,而且攻击的假设在我们的社会,经济和政治系统:我们主要是可预测的环境中运作。消费者、投资者、员工和决策者倾向于充当如果世界是可计算的,可以预测不久的将来有足够的精度。当这一基本信念分解、理性决策变得几乎不可能让许多人陷入瘫痪。结果,不确定性冲击会导致总体经济活动的急剧下降(例如布鲁姆等。2007年,布鲁姆2009),甚至可能导致长时间的低迷的经济表现,正如罗默(1990)所示的背景下,1930年代的大萧条。
本专栏认为,我们应该准备未来冲击的通过设计更好的早期预警系统,以便我们有更多的时间进行规定缓冲的影响。我们想要从一个不确定性指标?应该及时和前瞻性,贝克et al .(2020)指出。理想情况下,它应该捕捉发展之前出现在金融市场,调查数据,或经济变量。它应该提供可靠的比较的不确定性水平。毕竟,轻微的冲击可能没有经济影响虽然很大可能存在大量对经济的打击;震惊,发生在一段已经高浓度的不确定性往往比一个更有害的平静时期(曼2020年)。此外,一个指标应该给我们一个线索的冲击来自自不同来源的不确定性可能有不同的经济效应。时间、大小和物质来源。如果我们能衡量冲击的严重程度和起源与一些精度处于初期阶段,我们也许能够避免一些随后的经济和社会的毁灭。 To get closer to this goal, a deeper understanding of the nature of economic uncertainty and the interactions between different kinds of uncertainty is needed. In this vein we propose a news-based indicator we call不确定性感知指标何宁(穆勒,2020)。
UPI是用来区分各种来源的不确定性,不需要被识别事前。而著名的经济政策的不确定性指标(贝克et al . 2016年)是建立在一组预定义的政策领域(货币、财政、税收、监管),因此对COVID-19危机只在4月初,当3月数据和亚洲和欧洲的大部分地区已经关闭条件下几个星期——UPI更加开放的最新发展迄今未知的方向,无论是政治、市场、或其他地方。应用主题造型方法,潜在狄利克雷分配(LDA),我们的目标是发现令人惊讶的未知数在早期阶段,其对经济的影响开始展开。等策略看起来是合理的世界可能是进入一个时代的“绿色天鹅事件”(博尔顿et al . 2020年),即全球不确定性冲击不起源于经济政策或市场,和真正外生。COVID-19危机可以被解释为前体的这个时代(2020年da Silva)。
一个经济不确定性的分类系统
在我们的经济不确定性推理有三种:1
- 市场不确定性包含事件像市场情绪的突然变化,泡沫的破裂,或悲观预期的传播。这种类型的不确定性的来源位于不能预测市场本身,而是由于经济模型和数据可用性的限制。
- 经济政策的不确定性指不可预见的发展在政治领域可能的经济后果。令人惊讶的选举结果,不可估量的民粹主义政治、经济政策措施或不可预见的影响属于此类。
- 真正的外生经济不确定性来源于因素以外的市场和政治体系。可能的这种类型的不确定性来源充裕:技术、自然灾害、传染病(如Covid-19),流星的影响,严重的气候事件,等等。
图1三种类型的经济不确定性及其潜在的经济影响(直接)
源何宁:穆勒和(2020)
三种类型的不确定性不应解释为严格区分,而是相互关联的。图1概述(内生交互在市场体系不描述)。认为COVID-19流行:真正的外源性经济不确定性来自一本小说最初病毒及其未知传染性属性,促使政府和中央银行采取行动在未经证实的方面,首先,不确定的后果(经济政策的不确定性),这反过来影响经济景气在不利的方面,可能导致泡沫的破裂和其他的特性市场不确定性。
测量的不确定性
有大量的潜在危险的经济可能面临在未来,但大多数人永远不会成为现实。表明了世界上所有未知的没什么用,因为它会容易误报。另一方面,一个指标,只有寻找来源的不确定性,实现过去一定会错过新的和令人惊讶的东西。因此,任何不确定性评估应该检测已知的未知(如财政和货币政策,贸易政策,规定)而被打开令人惊讶的未知数(如技术、生态、社会变化和一些已经明显的经济影响)。
UPI结合了一种开放查询,过滤器与经济相关的报纸文章包含单词和不确定性,但没有预定义具体政策领域EPU——与无监督主题建模方法潜在狄利克雷分配(LDA)。2 LDA收益率的上下文相关的报纸文章(“主题”)包含不确定性因素,即主题UPI的子集,每个与经济的不同部位和不同类型的不确定性。3 UPI的频率和德国EPU显示类似的模式(图2)。EPU山峰更明显的方法论的原因,但UPI捕捉这些上涨不会遗漏任何重要事件。
图2德国比较EPU和UPI *
*蒙特数据;左轴:UPI的百分比分析相对于整体语料库,对轴:EPU指数点;
来源:贝克et al。(2016),www.policyuncertainty.com何宁,穆勒(2020)
应用LDA使分解UPI的主题和分析不确定性因素(详细信息请参阅尾注3)。图3显示了频率随时间变化的不确定性因素UPI政治和UPI实体经济。两个直接观测是惊人的:a)政治不确定性的优势,和b)(明显)提高政策不确定性之间的关系(“欧元危机”,“民粹主义激增”)和增加实体经济的不确定性在此期间进行了分析。
图3UPI政治与UPI实体经济
*股票分析语料库;六个月移动平均线;资料来源:作者的计算
深入挖掘模型的结果显示驱动这些运动的来源。图4显示背后的主题UPI政治。这种不确定性因素的分解使我们能够发现不同的政策领域的发展,而无需预定义的查询。我们发现一个模式:在过去的十年中,政策的不确定性是长期增长的结果的不确定性有关欧盟、国际关系和国内政治,而中央银行发挥了舒缓的作用。最后的时间范围,然而,这种模式变化的不确定性有关中央银行,前所未有的措施,第一道防线面对COVID-19危机,芽。
图4政治不确定性因素和特定的事件
源何宁:穆勒和(2020)
早期预警属性呢?
本专栏始于问题我们是否能够建立一个更好的指标可用到目前为止,在某种意义上,它更及时的方式反应迄今未知的不确定性的来源。我们已经能够看到巨大的COVID-19冲击过来了,说,2月中旬,如果UPI可用呢?何宁在穆勒(2020)提出一个quantitative-qualitative常规分析最近的过去和显示一个两步过程:
一)近几个月总体指标表现如何?
b),主题是在上升吗?哪些是在下降?
我们发现11个主题的上升在2020年第一季度的水平相对于2019年12月底,与“欧盟冲突”、“中央银行”,德国经济的大幅增加。早在2月16日我们看到的变化这三个主题使用正确的符号,即显著相关的不确定性上升。因此,不到六周后COVID-19病毒在中国首次正式承认,其影响的痕迹已经可以发现德国报纸语料库的内容结构。另外,LDA允许我们去一直到水平的个人新闻报道:最近的文章,适合模型提供洞察特定的发展和主要构架。这个特性提供了一种经济的方法来分析不确定性的特点,即使在公共领域的个别研究人员可能知之甚少。因此可以想象建造一个家庭的upi报道的国家。
引用
贝克,S R N布鲁姆&年代J·戴维斯(2016),“测量经济政策的不确定性”经济学的季刊131 (4):1593 - 1636。
贝克,S R N开花,J·戴维斯&年代特里(2020),“COVID-induced经济不确定性及其后果”,VoxEU.org, 4月13日。
布莱,D M、Y Ng & M我乔丹(2003),“潜在狄利克雷分配”,机器学习研究杂志》上3:993 - 1022。
布鲁姆,N, S债券& J范•雷南(2007),“不确定性和投资动力”,经济研究的回顾74 (2):391 - 415。
布鲁姆,N(2009),“不确定性冲击的影响”,费雪77 (3):623 - 685。
博尔顿,P M代斯普利司,L Pereira da Silva, R Svartzman & F Samama (2020),“他绿色天鹅:中央银行和金融的稳定气候变化的时代国际清算银行,。
da Silva, L P(2020),“绿色天鹅2 -气候变化和Covid-19:反思效率和弹性”,5月14日。
Koppers, L, J Rieger K Boczek & G·冯·诺(2020),托斯卡:统计内容分析的工具。
拉森,V(2017),“组件的不确定性”,社会科学研究网络。
曼,C L(2020),“真实和金融镜头评估COVID-19”的经济后果,韦德在B R鲍德温和di毛罗。(eds)。经济COVID-19的时间伦敦:经济出版社。
何宁穆勒,H & N (2020),“期待意想不到的”,DoCMA工作报告1 - 2020。
穆勒,H (2020),“COVID-19:政府必须避免创建额外的不确定性”,VoxEU.org, 3月14日。
穆勒,H, G·冯·诺K Boczek L Koppers & J Rahnenfuhrer (2018),“范德维尔特Der Worte——体育运动的Methoden helfen, Kommunikations——和Wirtschaftswissenschaft祖茂堂verknupfen”,Publizistik63 (4):557 - 582。
罗默,C D(1990),“大崩溃和大萧条爆发”,经济学的季刊105 (3):597 - 624。
尾注
1大量文献处理的经济影响的不确定性。但不确定性的起源往往是相当粗略的方式处理。拉森(2017)是一个值得注意的例外。
2在早期著作(穆勒等。2018年,穆勒2020)我们为德国完全模仿EPU查询。
3因为LDA排序机制本身,那些无关的方面,我们的分析表明在不同的集群的文章(“主题”)可以从今以后被忽略。我们用报纸语料德国两大全国性的报纸,《世界报》专文。提供的数据是出版公司和世界首位。我们复习一段时间从2008年1月到2020年3月。这两种报纸合并成一个单一的语料库包含752.000的文章。应用EPU查询(贝克et al . 2016年)收益率分析8295篇文章的语料库;更广泛的查询,没有过滤某些政策领域,包含15.077的文章。为每个这些sub-corpora我们计算lda与几个k值(6、8、10和12)。评估结果后,模型参数值K = 10和12被认为是最有前途的,因此进行更详细的分析。进行了分析使用托斯卡,R包统计内容分析由DoCMA人员(Koppers et al . 2020年)。 Here, we only present results for the parameter setting K=12. LDA, the way we apply it, can be characterized as a quantitative-qualitative approach. Topics need to labeled and interpreted by human researchers. The algorithm provides three starting points for this process: each topic’s “top words” and “top articles” (the ones with best fit to model) as well as its frequency over time. Table 1 gives an overview of the results. In Müller and Hornig (2020) we provide an extensive appendix presenting each topic’s key-features.
表1主题的概述和标签(模型一,K = 12)
我们把1和3、4和6,11日和12日由于上下文接近。
